最佳网络安全大语言模型（2026年10月）

在告警分诊方面，目前已发表的最强小模型结果属于 Qwen3.5 9B，这是一款安全团队可以在自己环境内运行的开放权重模型。在 Alert-Bench 论文（arXiv 2610.10608，2026年10月）中，作者通过一个实时运行的 SIEM 回放企业遥测数据，并在其 AIDA 分诊协议下运行每个模型。在同一个 300 条告警的子集上，Qwen3.5 9B 与作为参照的 GPT-4.1 取得了相同的 F1 分数 0.952，精确率 0.980，召回率 0.926。该测试中其他开放模型的得分在 0.098 到 0.777 之间，可见评测框架和模型选择都很重要。该结果由作者测得；模型按发布时的版本使用，未在分诊数据上做任何训练。

检测工程是把威胁报告转化为可用的检测规则，CTI-REALM 正是为此构建的基准。Microsoft 的论文（arXiv 2603.13517，2026年3月）测试了 16 种模型配置，全部来自 Anthropic 和 OpenAI。高推理强度下的 Claude Opus 4.6 取得最高奖励分 0.637，领先于 Opus 4.5 的 0.624 和 Sonnet 4.5 的 0.587。OpenAI 的最佳结果是中等推理强度下的 GPT-5，为 0.572。Microsoft 在同一环境中测量了所有模型。截至2026年10月，尚无开放模型发布 CTI-REALM 分数，因此这一推荐是目前测得的最佳结果，暂时还没有可供对比的开放模型。

Z.ai 的 GLM-5.3 背后既有政府实验室的独立网络安全测试，也有安全公司的独立测试。美国 Center for AI Standards and Innovation（CAISI）称其为迄今发布的网络安全能力最强的开放权重模型，并估计在其自有的网络安全评估中，它落后美国前沿水平约四个月（NIST，2026年9月17日）。在 CyberGym 上，Proximal 将它与闭源模型放在同一评测框架中运行，在该基准的修正版本上测得 93.5%（2026年9月30日）。其前代 GLM-5.2 正是 Hugging Face 在2026年7月的安全事件中，于托管 API 拒绝相关工作后，在自有基础设施上用于取证分析的模型。

在复现已知漏洞方面，Kimi K3 在 Proximal 的同框架 CyberGym 运行中取得最高分（2026年9月30日）。Proximal 发现原评分器判错了部分任务，从 1,507 项中移除 227 项，并对四个模型重新评分：Kimi K3 提升 13.7 个百分点，从 81.9% 升至 95.6%；相比之下，GLM-5.3 为 93.5%，GPT-5.6 Sol 为 91.1%，Claude Fable 5.1（以 Opus 5 作为后备）为 87.8%。Proximal 通过网络安全访问计划关闭了闭源模型的标准网络安全护栏后再运行，因此该比较衡量的是排除拒答因素后的能力。Proximal 还认为 CyberGym 已基本饱和，因此应将这一结果理解为开放权重模型在该任务上正在追赶，具体名次不必过于看重。

对于夺旗赛（CTF）类的安全工作，官方 Cybench 排行榜列出 Claude Opus 4.7 的成绩为 96%，数据取自 Anthropic 自己的系统卡，覆盖该基准 40 项任务中的 35 项。Claude Mythos Preview 在同样的 35 项任务上以 100% 位居榜首，属于预览模型；Opus 4.7 则作为已发布的模型入选本榜。排行榜上最新的开放模型数据来自 2024 年，因此这是一个强劲的闭源结果，但没有同框架的开放模型可供比较。开放模型的 Cybench 分数只以发布文章中的数字形式流传，本榜单不予收录。

对于在普通硬件上处理威胁情报问题，Cisco 的 Foundation-Sec-8B-Reasoning 是一款基于 8B 基础模型构建的安全专用模型。根据 Cisco 自己的模型卡（2026年1月28日发布），它在 CTIBench 的 CTI-MCQA 上得分 0.691，GPT-5-Nano 为 0.688；在 CVE 到 CWE 的映射上得分 0.753，对比 0.672。这使它在知识类基准上与一款小型闭源模型持平。它适合数据必须留在内部的结构化、大批量问题，对开放式调查则不太适合。